本發(fā)明屬于圖像處理
技術領域：
，涉及一種SAR圖像配準方法，具體涉及一種基于鄰域熵和一致性檢測的SAR圖像配準方法，可用于SAR圖像融合、變化檢測、計算機視覺等領域。
背景技術：
：圖像配準是圖像處理領域的關鍵技術，是指將不同時間、不同傳感器或不同條件下(天氣、照度、攝像位置和角度等)的兩幅或多幅圖像進行匹配、疊加的過程。圖像配準被廣泛應用于SAR圖像融合、變化檢測、計算機視覺等領域。合成孔徑雷達(SyntheticApertureRadar，SAR)的主要工作原理是：信號發(fā)射設備向目標地區(qū)輻射微波頻段的電磁波信號，再由天線接收反射和散射回來的電磁波信號，最后在成像系統(tǒng)中對收集到的信號進行相應分析和處理并生成代表目標地區(qū)信息的高分辨率圖像。SAR成像系統(tǒng)不受氣候、時間影響，穿透力強，可以實時動態(tài)檢測感興趣目標，但由于其獨特的工作原理和成像模式，SAR圖像往往存在嚴重的幾何畸變和很強的斑點噪聲，不利于圖像特征的提取，所以研究有效適用于SAR圖像的配準方法在圖像融合、變化檢測中具有重要的現(xiàn)實意義?，F(xiàn)有的圖像配準方法主要分為三類：基于灰度信息法、基于變換域法和基于特征法?；诨叶刃畔⒌膱D像配準方法主要是利用圖像本身具有灰度的一些統(tǒng)計信息來度量圖像的相似程度進而完成圖像配準的。這種方法實現(xiàn)簡單，對尺寸較小、灰度變化不大的圖像配準精度高，可以達到亞像素級。該方法存在的不足之處是：應用范圍窄，在最優(yōu)變換搜索過程中需要很大的運算量，對于視角、灰度、結構變化較大的遙感圖像配準精度較差，因而不適于SAR圖像配準?；谧儞Q域的圖像配準方法是利用傅里葉變換將圖像從空域變換到頻域進而完成圖像配準的，這種方法實現(xiàn)原理簡單，且傅氏變換有成熟的快速算法并易于硬件實現(xiàn)，因而計算效率較高，該方法的不足之處是：要求參考圖和待配準圖的重疊區(qū)域較大，且無法處理非線性形變，對噪聲也不具有魯棒性。基于特征的圖像配準方法包括基于點特征的圖像配準方法、基于線特征的圖像配準方法和基于區(qū)域特征的圖像配準方法?；谔卣鞯膱D像配準方法首先提取參考圖和待配準圖的特征，然后對提取到的參考圖特征和待配準圖特征進行描述形成參考圖特征描述子和待配準圖特征描述子，對參考圖特征描述子和待配準圖特征描述子通過距離匹配得到匹配點對，通常利用RANSAC算法去除誤匹配點對，利用去除誤匹配點對后的匹配點對計算參考圖和待配準圖的變換模型，將待配準圖通過變換模型變換后與參考圖疊加顯示，完成圖像配準?；谔卣鞯呐錅史椒ㄌ崛〕龅奶卣骶哂辛己玫某叨群托D不變性。該方法的不足之處是：對含有大量噪聲的SAR圖像，很難提取到有效的點特征、線特征和區(qū)域特征，導致圖像配準失效。例如，StefanLeutenegger，MargaritaChli，RolandSiegwart于2011年在IEEEInternationalConferenceonComputerVision(vol.58,no.11,pp.2548-2555)上發(fā)表了名稱為“BRISK:BinaryRobustInvariantScalableKeypoints”的文章，該文章公開了一種基于二進制魯棒尺度不變關鍵點提取特征的圖像配準方法，該方法首先對輸入圖像構造尺度空間，然后利用FAST9-16算法檢測尺度空間特征點，最后對特征點周圍鄰域的采樣點對進行二進制編碼，形成二進制特征描述子，通過特征描述子匹配完成參考圖和待配準圖的配準。該方法有效提高了圖像特征提取的效率，并且提取到的特征具有良好的旋轉不變性和尺度不變性。該方法存在的不足之處是，提取到的圖像特征點數(shù)目較少且存在大量的誤匹配點對，導致圖像配準精度不是很高。技術實現(xiàn)要素：本發(fā)明的目的是針對上述現(xiàn)有技術存在的不足，提出了一種基于鄰域熵和一致性檢測的SAR圖像配準方法，用于解決現(xiàn)有基于特征的SAR圖像配準方法中存在的配準準確率低的技術問題。為實現(xiàn)上述目的，本發(fā)明采取的技術方案包括如下步驟：(1)利用雙邊濾波算法，對SAR圖像參考圖和待配準圖分別進行濾波，得到濾波參考圖和濾波待配準圖；(2)利用BRISK算法，分別提取濾波參考圖和濾波待配準圖的特征，得到濾波參考圖特征描述子集合P＝{u1,u2,u3,…,ui,…,um}和濾波待配準圖特征描述子集合Q＝{v1,v2,v3,…,vj,…,vn}；其中，i和j分別表示濾波參考圖特征描述子的下標和濾波待配準圖特征描述子的下標，ui和vj分別表示濾波參考圖的第i個特征描述子和濾波待配準圖的第j個特征描述子，m和n分別表示濾波參考圖和濾波待配準圖的描述子數(shù)目；(3)計算濾波參考圖特征描述子集合P中的每一個描述子ui，分別與濾波待配準圖特征描述子集合Q中所有描述子間的漢明距離，得到m個漢明距離集合，并選取每個集合中最小距離對應的描述子作為與ui匹配的描述子，得到初始匹配點對集合A＝{(p1,p′1),(p2,p′2),(p3,p′3),…,(pi,p′i),…,(pm,p′m)}，其中，(pi,p′i),pi∈P且p′i∈Q表示初始匹配點對集中的一對匹配點對，m表示初始匹配點對集合A的匹配點對數(shù)目；(4)利用特征點的鄰域熵，去除初始匹配點對集合A中的誤匹配點對，實現(xiàn)步驟為：(4a)分別計算初始匹配點對集合A中每一對匹配點對(pi,p′i)中pi和p′i的鄰域熵，并求取兩個鄰域熵的差值，得到m個鄰域熵差；(4b)設定閾值Te，并判斷m個鄰域熵差是否小于閾值Te，若是，保留該匹配點對(pi,p′i)，否則，從初始匹配點對集合A中刪除該匹配點對，得到粗匹配點對集合B，B＝{(p1,p′1),(p2,p′2),(p3,p′3),…,(pi,p′i),…,(ps,p′s)}；其中，s表示粗匹配點對集合B中匹配點對數(shù)目；(5)利用一致性檢測算法，去除粗匹配點對集合B中的誤匹配點對，實現(xiàn)步驟為：(5a)利用粗匹配點對集合B中匹配點對的下標，構造下標集I＝{1,2…s}，并從該下標集I中隨機選擇N個元素構造子下標集：Ison＝{id1,id2,…,idk,…idN},idk∈I；(5b)將子下標集Ison中的元素作為粗匹配點對集合B中匹配點對的下標，取出集合B中對應該下標的匹配點對，構成匹配點對集合：(5c)計算匹配點對集合B對應濾波參考圖中每個特征點pi與匹配點對集合C對應濾波參考圖中所有特征點之間的歐式距離，得到s個距離集合D1,D2,…,Di,…Ds；計算匹配點對集合B對應濾波待配準圖中每個特征點pi′與匹配點對集合C對應濾波待配準圖中所有特征點之間的歐式距離，得到s個距離集合D′1,D′2,…,D′i,…D′s；(5d)設定閾值Td，計算距離集合Di與距離集合D′i相同下標對應元素的比值，得到s個距離比值集合，并判斷該s個距離比值集合中小于閾值Td的元素個數(shù)是否大于0.5N，若是，保留匹配點對(pi,p′i)，否則，從粗匹配點對集合B中刪除該匹配點對，得到精確匹配點對集合；(6)利用cp2tform(·)函數(shù)，計算精確匹配點對集合中濾波參考圖特征點pi與濾波待配準圖特征點p′i的映射關系，得到大小為3×3的仿射變換矩陣H；(7)利用仿射變換矩陣H對濾波待配準圖進行仿射變換，得到變換濾波待配準圖；(8)利用遺傳算法，對仿射變換矩陣H進行優(yōu)化，實現(xiàn)步驟為：(8a)計算步驟(5d)中精確匹配點對集合的歸一化均方根誤差函數(shù)f1，同時計算變換濾波待配準圖與濾波參考圖之間的互信息函數(shù)f2，并計算該兩個函數(shù)的差，得到目標函數(shù)f＝f1-f2；(8b)從仿射變換矩陣H中提取前兩行元素，構造仿射變換參數(shù)向量μ0，并將該仿射變換參數(shù)向量μ0作為目標函數(shù)f的初始解，根據(jù)該初始解采用遺傳算法求目標函數(shù)f的最小值，得到f的最小值對應的仿射變換參數(shù)向量μ*，將μ*表示成最優(yōu)仿射變換矩陣，利用該最優(yōu)仿射變換矩陣對濾波待配準圖進行仿射變換，并將變換后的濾波待配準圖與濾波參考圖疊加顯示，得到SAR圖像參考圖和待配準圖的配準圖像。本發(fā)明與現(xiàn)有技術相比，具有以下優(yōu)點：1.本發(fā)明由于在圖像特征匹配的過程中，采用了特征點的鄰域熵和一致性檢測算法結合的方法，既考慮了匹配點對的鄰域信息，又考慮了匹配點對的空間一致性，兩次去除了初始匹配點對集合中的誤匹配點對，減少了誤匹配點對數(shù)目，與現(xiàn)有的基于特征的SAR圖像配準技術相比，有效的提高了圖像配準準確率。2.本發(fā)明由于在圖像特征提取之前采用了雙邊濾波算法對SAR參考圖和待配準圖進行了濾波處理，對SAR參考圖和待配準圖平滑噪聲的同時有效保留了圖像細節(jié)信息，增加了提取到的圖像特征數(shù)量；并在圖像配準之后采用遺傳算法優(yōu)化仿射變換矩陣，得到了更準確的仿射變換矩陣，與現(xiàn)有的基于特征的SAR圖像配準技術相比，進一步提高了圖像配準準確率；附圖說明圖1是本發(fā)明的實現(xiàn)流程框圖；圖2是本發(fā)明的濾波參考圖和濾波待配準圖；圖3是本發(fā)明的匹配點對圖和兩次經(jīng)過誤匹配點對去除的匹配點對圖；圖4是本發(fā)明的SAR圖形參考圖和待配準圖的配準結果圖。具體實施方式下面結合附圖和實施例，對本發(fā)明作進一步詳細說明：參照圖1，本發(fā)明包括如下步驟：步驟1.利用雙邊濾波算法，對SAR圖像參考圖和待配準圖分別進行濾波，得到濾波參考圖和濾波待配準圖；雙邊濾波算法的計算公式為：其中，a表示待濾波像素空間位置，b表示待濾波像素鄰域S內(nèi)的任意像素的空間位置，Ia和Ib分別表示待濾波像素a和其鄰域內(nèi)任意像素b對應的像素值，Gσs和Gσr分別是標準差為σs和σr的高斯空間核和高斯強度核，取σs＝2，σr＝0.1，分別反映了鄰域像素與待濾波像素的空間關系和強度關系，W是歸一化因子，bfa是待濾波像素a處的濾波值；常用的濾波方法有維納濾波、高斯濾波、雙邊濾波等，其中維納濾波、高斯濾波在濾波過程中都會較明顯地模糊圖像邊緣，對于細節(jié)的保護效果并不明顯。本實施例采用的雙邊濾波是基于特征點空間分布的，所以離邊緣的較遠的像素不會太影響邊緣上的像素值，這樣就有效保留了圖像邊緣。步驟2.利用BRISK算法，分別提取濾波參考圖和濾波待配準圖的特征，得到濾波參考圖特征描述子集合P＝{u1,u2,u3,…,ui,…,um}和濾波待配準圖特征描述子集合Q＝{v1,v2,v3,…,vj,…,vn}；其中，i和j分別表示濾波參考圖特征描述子的下標和濾波待配準圖特征描述子的下標，ui和vj分別表示濾波參考圖的第i個特征描述子和濾波待配準圖的第j個特征描述子，m和n分別表示濾波參考圖和濾波待配準圖的描述子數(shù)目；利用BRISK算法，分別提取濾波參考圖和濾波待配準圖的特征，實現(xiàn)步驟為：(2a)構建SAR圖像濾波參考圖的尺度空間S1,同時構建濾波待配準圖的尺度空間S2；(2b)采用FAST9-16算法，對SAR圖像濾波參考圖的尺度空間S1進行特征點檢測和非極大值抑制，得到SAR圖像濾波參考圖的尺度空間S1的多個特征點；(2c)采用FAST9-16算法，對SAR圖像濾波待配準圖的尺度空間S2進行特征點檢測和非極大值抑制，得到SAR圖像濾波待配準圖的尺度空間S2的多個特征點；本實施例采用的FAST9-16算法是一種基于模板和機器學習的特征點檢測算法，與已有的特征點檢測算法如Harris角點檢測算法，Moravec角點檢測算法相比具有計算速度快，精度高的優(yōu)點，因此可以有效提高特征提取的速度；(2d)利用直方圖統(tǒng)計法，計算SAR圖像濾波參考圖的尺度空間S1的多個特征點的梯度方向，得到SAR圖像濾波參考圖的尺度空間S1的多個特征點的主方向；(2e)利用直方圖統(tǒng)計法，計算SAR圖像濾波待配準圖的尺度空間S2的多個特征點的梯度方向，得到SAR圖像濾波待配準圖的尺度空間S2的多個特征點的主方向；(2f)將SAR圖像濾波參考圖的尺度空間S1的多個特征點旋轉到該多個特征點的主方向上，并在每個特征點周圍取若干個采樣點對，形成SAR圖像濾波參考圖的特征描述子集合；(2g)將SAR圖像濾波待配準圖的尺度空間S2的多個特征點旋轉到該多個特征點的主方向上，并在每個特征點周圍取若干個采樣點對，形成SAR圖像濾波待配準圖的特征描述子集合；本實施例采用二進制編碼的方法形成特征描述子，與傳統(tǒng)的SIFT算法形成的特征描述子相比，具有特征描述子結構簡單，維數(shù)低，特征描述子匹配計算量小的優(yōu)點。步驟3.計算濾波參考圖特征描述子集合P中的每一個描述子ui，分別與濾波待配準圖特征描述子集合Q中所有描述子間的漢明距離，得到m個漢明距離集合，并選取每個集合中最小距離對應的描述子作為與ui匹配的描述子，得到初始匹配點對集合A＝{(p1,p′1),(p2,p′2),(p3,p′3),…,(pi,p′i),…,(pm,p′m)}，其中，(pi,p′i),pi∈P且p′i∈Q表示初始匹配點對集中的一對匹配點對，m表示初始匹配點對集合A的匹配點對數(shù)目；步驟4.特征點的鄰域熵可以反映特征點位置上的灰度值與周圍像素灰度值分布的綜合特性，因此可以作為匹配點對中兩個特征點相似度的度量準則，利用特征點的鄰域熵，去除初始匹配點對集合A中的誤匹配點對，其實現(xiàn)步驟為：(4a)按照下式，分別計算初始匹配點對集合A中每一對匹配點對(pi,p′i)中pi和p′i的鄰域熵，并求取兩個鄰域熵的差值，得到m個鄰域熵差：其中，E為鄰域熵，R表示像素的鄰域范圍，hij表示位置(i,j)處像素的灰度概率分布，表達式為：g(i,j)表示位置(i,j)處像素的灰度值。(4b)設定閾值Te，并判斷m個鄰域熵差是否小于閾值Te，若是，保留該匹配點對(pi,p′i)，否則，從初始匹配點對集合A中刪除該匹配點對，得到粗匹配點對集合B，B＝{(p1,p′1),(p2,p′2),(p3,p′3),…,(pi,p′i),…,(ps,p′s)}；其中，s表示粗匹配點對集合B中匹配點對數(shù)目，本實施例中閾值Te是通過計算所有匹配點對的鄰域熵之差進行直方圖，取直方圖中最大值的80％得到的，特征點的鄰域取以該特征點為中心的大小為10×10的圓形鄰域；步驟5.利用一致性檢測算法，去除粗匹配點對集合B中的誤匹配點對，實現(xiàn)步驟為：(5a)利用粗匹配點對集合B中匹配點對的下標，構造下標集I＝{1,2…s}，并從該下標集I中隨機選擇N個元素構造子下標集：Ison＝{id1,id2,…,idk,…idN},idk∈I；(5b)將子下標集Ison中的元素作為粗匹配點對集合B中匹配點對的下標，取出集合B中對應該下標的匹配點對，構成匹配點對集合：(5c)計算匹配點對集合B對應濾波參考圖中每個特征點pi與匹配點對集合C對應濾波參考圖中所有特征點之間的歐式距離，得到s個距離集合D1,D2,…,Di,…Ds；計算匹配點對集合B對應濾波待配準圖中每個特征點pi′與匹配點對集合C對應濾波待配準圖中所有特征點之間的歐式距離，得到s個距離集合D′1,D′2,…,D′i,…D′s；(5d)設定閾值Td，計算距離集合Di與距離集合D′i相同下標對應元素的比值，得到s個距離比值集合，并判斷該s個距離比值集合中小于閾值Td的元素個數(shù)是否大于0.5N，若是，保留匹配點對(pi,p′i)，否則，從粗匹配點對集合B中刪除該匹配點對，得到精確匹配點對集合，本實施例中取閾值Td＝0.1；步驟6.利用cp2tform(·)函數(shù)，計算精確匹配點對集合中濾波參考圖特征點pi與濾波待配準圖特征點p′i的映射關系，得到大小為3×3的仿射變換矩陣H；仿射變換矩陣H的表示形式如下：其中，參數(shù)a11,a12,a21,a22,tx,ty反映了濾波參考圖與濾波待配準圖之間的平移變換、旋轉變換及尺度變換；步驟7.利用仿射變換矩陣H對濾波待配準圖進行仿射變換，得到變換濾波待配準圖；步驟8.利用遺傳算法，對仿射變換矩陣H進行優(yōu)化，實現(xiàn)步驟為：(8a)按照下式計算步驟(5d)中精確匹配點對集合的歸一化均方根誤差函數(shù)f1：其中，pi表示精確匹配點對集合中匹配點對(pi,p′i)對應濾波參考圖的特征點，p′i表示精確匹配點對集合中匹配點對(pi,p′i)對應濾波待配準圖的特征點，r是步驟(5d)得到的精確匹配點對集合中的點對數(shù)目；按照下式，計算變換濾波待配準圖與濾波參考圖之間的互信息函數(shù)f2，并計算該兩個函數(shù)的差，得到目標函數(shù)f＝f1-f2：其中，X表示濾波參考圖，Y表示步驟(7)得到的變換濾波待配準圖，x,y分別表示圖像X,Y對應位置上像素的灰度值，表示圖像X的邊緣分布，表示圖像Y的邊緣分布，pXY(x,y)表示圖像X,Y的聯(lián)合概率分布,可通過統(tǒng)計圖像的灰度直方圖得到；(8b)從仿射變換矩陣H中提取前兩行元素，構造仿射變換參數(shù)向量μ0，并將該仿射變換參數(shù)向量μ0作為目標函數(shù)f的初始解，根據(jù)該初始解采用遺傳算法求目標函數(shù)f的最小值，得到f的最小值對應的仿射變換參數(shù)向量μ*，將μ*表示成最優(yōu)仿射變換矩陣，利用該最優(yōu)仿射變換矩陣對濾波待配準圖進行仿射變換，并將變換后的濾波待配準圖與濾波參考圖疊加顯示，得到SAR圖像參考圖和待配準圖的配準圖像。下面結合仿真實驗對本發(fā)明的效果作進一步的描述。1.仿真實驗條件：本實施例所用的SAR圖像參考圖為2008年由Radarsat-2拍攝的黃河水域圖像中截取的子圖像，待配準圖是2009年由Radarsat-2拍攝的黃河水域圖像中截取的子圖像。硬件平臺為：PentiumDual-CoreCPUT4500@2.30GHZ、3GBRAM，軟件平臺：VS2010，MATLABR2015a。2.實驗內(nèi)容與結果：仿真1，對SAR圖像參考圖和待配準圖的雙邊濾波過程進行仿真，如圖2所示：參照圖2，圖2(a)是利用雙邊濾波對SAR圖像參考圖進行濾波后的濾波參考圖，圖2(b)是利用雙邊濾波對SAR圖像待配準圖進行濾波后的濾波待配準圖。可以看出本發(fā)明中采用的雙邊濾波算法對SAR參考圖和待配準圖進行濾波時，不僅可以有效平滑斑點噪聲，而且能夠很好的保持邊緣細節(jié)信息；仿真2，對匹配點對的生成和誤匹配點對的去除過程進行仿真，如圖3所示：參照圖3，圖3(a)是本發(fā)明利用BRISK算法提取特征進行匹配后得到的初始特征匹配點對圖，雖然匹配點對數(shù)目很多，但其中包含大量錯誤匹配點對，圖3(b)是本發(fā)明利用特征點的鄰域熵去除誤匹配點對后的匹配點對圖，去除了部分明顯的誤匹配點對，圖3(c)是本發(fā)明利用一致性檢測算法去除誤匹配點對后的匹配點對圖，有效的去除了剩下點對中的大量誤匹配點對，有效的保留了正確匹配點對，匹配點對圖的橫縱坐標分別表示將SAR圖像參考圖和待配準圖拼在一起后圖像的寬度和高度；仿真3，對遺傳算法優(yōu)化仿射變換參數(shù)的過程進行仿真，如圖4所示：參照圖4，圖4(a)是利用遺傳算法優(yōu)化仿射變換參數(shù)前得到的圖像配準結果圖，圖像配準結果圖中存在一定的重影，圖4(b)是遺傳算法優(yōu)化仿射變換參數(shù)后得到的圖像配準結果圖，消除了遺傳算法優(yōu)化仿射變換參數(shù)前得到的圖像配準結果圖中的重影。對比利用RANSAC去除誤匹配點對后的匹配點對正確率和利用特征點的鄰域熵和一致性檢測算法去除誤匹配點對后的匹配點對正確率，如表1所示：參照表1，可以看出本發(fā)明采用的基于鄰域熵的粗匹配和基于一致性檢測算法的精確匹配方法能有效去除圖像中的誤匹配點對，而且特征描述子匹配正確率比RANSAC算法高出3倍多。對比遺傳算法優(yōu)化仿射變換矩陣前后SAR圖像參考圖和待配準圖的互信息值及歸一化均方根誤差值，如表2所示：參照表2，可以看出本發(fā)明采用遺傳算法可以有效優(yōu)化SAR參考圖和待配準圖之間的仿射變換矩陣，使得特征匹配點對的均方根誤差更小，變換濾波待配準圖與濾波參考圖之間的互信息值更大，SAR參考圖與待配準圖的配準效果更好。綜上所述，本發(fā)明方法能夠快速提取圖像特征，更具有實時性，并能有效去除圖像誤匹配點對，通過參數(shù)優(yōu)化能夠進一步提高配準精度，所以更適用于SAR圖像的圖像配準，具有重要的現(xiàn)實意義。表1RANSAC本發(fā)明方法初始匹配點對數(shù)目4848去除誤匹配后點對數(shù)目929匹配正確率18.75％60.42％表2遺傳算法優(yōu)化前遺傳算法優(yōu)化后歸一化均方根誤差RMSE15.33114.462互信息值0.4680.525當前第1頁1 2 3